41_Hog特征

#什么是Hog特征？     特征 :像素  运算
#再模板计算的基础上另加几步，haar特征是模板计算
#Hog特征计算步骤：
#1、模块划分    计算梯度  方向  模板   bin投影   每个模块的hog特征
#模块划分
# image   》 win 》  block  》 cell  （size）
#win step  block step   cell step
#win特征计算最顶层单元》》object
#win size 50*100   25*50  64*128
#block size(wh)   16*16
#block step     8*8
#计算block count = （（64-16）/8+1）*（（128-16）/8+1）=105
#cell size  8*8
#block= 4cell  （cell1,cell2,cell3,cell4）
#在block下cell是固定不变的，不进行滑动
#cell梯度  
#每个像素 《《梯度：  大小 幅值   ，方向 angle   
#0-360/40=9   一个bin=40度
#one cell（360度信息） = 9  个bin
#hog特征维度
#haar特征 得到一个值
#hog特征得到的是一个向量（维度）  描述一个完整的object info
#维度=105（block个数）*4（一个block中cell的个数）*9（一个cell中九个bin）=3780

#计算梯度的方向和大小
#计算单位是像素，每个像素都有一个梯度
#每个像素梯度构成hog》》win窗体每个像素
#特征模板》》类似haar特征
#水平方向【1 0 -1】
#竖直方向【【1 】【0】 【-1】】
#a = 水平方向相邻像素之差
#p = 竖直方向相邻像素之差
#赋值f = 根号下（a的平方+p的平方）
#方向  = arctan（a/b）

#bin的投影   》》依赖于梯度
#bin的划分，一个bin0-40
#0-40度，0-20  or 180-200 作为第一个连续范围
#20-40 or 200-220作为第二个连续范围
#例： 梯度angle = 10  or 190
#则认为投影在bin1上，bin1的范围0-20 or 180-200
#刚好在bin的正中心 ，幅度
#如果bin不在正中心，则分解在两个bin上，bin1和bin2上
#f1=f*f（夹角）    f2 = f*（1-f（夹角））
#夹角的范围在0-1.0之间
#改进 投影在某个区间对此区间+1》hog

#如何计算整个hog
#首先明确整个特征的维度（3780）
#3780维来源于win窗体
#每一个维度 就是一个bin
#cell0-cell3   bin0-bin8
#cell0：bin0-bin8
#cell1：bin0-bin8
#cell2：bin0-bin8
#cell3：bin0-bin8
#i，j  cell0《bin0   f0
#i+1，j，cell0《bin0  f1
#sumbin0 = f0+f1
#权重累加
#cell的复用
#判决hog 【3780维】 svm line训练》》3780向量
#hog*3780维=值
#值大于判决值  》》目标
#值小于判决值》》非目标